如何在不生成全排列的情况下随机采样排列以避免内存错误？

你之前的思路核心问题在于：不管是把itertools.permutations转成列表还是直接用迭代器采样，本质都要生成所有排列——而40的阶乘是个天文数字（约8e47），根本不可能放进内存。正确的思路是直接生成独立的随机排列，完全不用碰全排列集合。

下面是两种可行的实现方案：

方案一：用Python标准库实现 #

直接用random.sample()生成单个随机排列，因为从长度为n的序列中无重复抽取n个元素，结果就是一个随机排列。循环m次就能得到m个样本：

import random
import numpy as np

n = 40  # 待排列的字符数量
m = 1000  # 需要采样的样本数
seq_to_permute = np.arange(1, n+1).tolist()  # 转换为list适配random.sample

perm_samples = []
for _ in range(m):
    # 每次生成一个独立的随机排列
    random_perm = random.sample(seq_to_permute, n)
    perm_samples.append(random_perm)

方案二：用Numpy高效实现 #

如果需要处理大量样本，Numpy的向量化操作效率更高，用np.random.permutation()直接打乱序列生成排列：

import numpy as np

n = 40
m = 1000
seq_to_permute = np.arange(1, n+1)

# 生成m个随机排列，每行对应一个样本
perm_samples = np.array([np.random.permutation(seq_to_permute) for _ in range(m)])

# 更高效的向量化写法（避免显式循环）
# perm_samples = np.random.permutation(np.tile(seq_to_permute, (m, 1)))

关键说明 #

这两种方法的核心是：每个随机排列都是独立生成的，和从全排列集合中随机抽取的统计特性完全一致，但完全不需要存储任何全排列数据，内存占用仅取决于样本数量m，n=40、m=1000的场景下完全不会触发内存错误。

内容的提问来源于stack exchange，提问作者elfe